坚持开放创新 突出AI应用⑦|长虹爱创AI“释放”AOI工程师创造力

杨兴明至今记得2024年一季度那场教训。冰箱变频产品批次更换新型0402规格电阻——那是比米粒还小、肉眼几乎看不清的元器件。他接手AOI程序制作后，连续两晚熬夜：手动框选检测区域、逐个设定阈值参数、反复校准判定边界。

传统AOI编程是全手工活。一块板卡几百上千个元器件，每一个都要人工划定检测框、设定判定阈值。更棘手的是0402这类微小元件，虚焊、引脚偏位等隐蔽缺陷，人工编辑的检测框覆盖面稍有偏差就会漏判。上线后，单日误报弹窗400余条。班组复判员被淹没在“假警报”里，真正有问题的板卡反而成了漏网之鱼——2片板卡细微焊盘上锡不足漏检，径直流入后工序。事后复盘整改耗时整整一周，物料报废、交付延期，代价沉重。

同一款焊点，张工画的检测框偏大，李工画的偏小；早班松一点，晚班紧一点。同一批板卡在不同AOI设备上的检出结果天差地别。资深技术员陷在画框调参的机械活里脱不开身，新人上手光记判定规则就要两三个月。产线最怕换型——AOI程序迭代动辄3到4个小时，多机型轮番切换时，流水线就干等着。车间里流传着一句话：“设备等程序，程序等人，人等一个框画完。”

这套系统的立项目标明确：编程从“人工画框”变“AI点一点”，判定从“人各有标”变“一标到底”，误报从“泛滥成灾”压到“精准拦截”，新人从“跟学数月”缩到“一周上手”。

但推进中第一道坎就险些卡死项目。产品多样化带来的样本杂乱、缺陷特征难以精准建模。基板反光、元器件色差、灯光扰动——任何波动都可能让AI“看走眼”。初期模型对异形焊点、0402元件的识别精准度严重不足，连续五次现场实测，漏检率均不达标。

团队的选择是：扎根车间，死磕到底。杨兴明白天跟班采集实拍图像，夜间标注缺陷样本，把车间验收规则一条条植入AI训练集。三万张样本照片堆满硬盘，也撑起了模型的骨架。团队联动工艺人员，把“焊盘上锡高度≥75%”“引脚偏移≤元件宽度的1/4”等现场标准，翻译成AI能理解的判定参数。

转机出现在第五次迭代之后。AI自动框选准确率终于越过投产红线。上线调试阶段，老旧机型非标焊点，AI生成参数偏保守，误报依旧偏多。团队调取历史不良台账，定向扩充专属样本库，精细调整AI阈值，把“工艺允许的轻微差异”和“必须拦截的真实不良”区分开。老技术员对AI一键生成将信将疑，团队保留“AI自动生成+人工一键修正”的混合模式，手把手带教，一周内全员上手。

系统投用后，变化肉眼可见。

改版前，一款新程序手动调试4到6小时；改版后，AI导入样板图片，30分钟左右完成初版，复核即可上线。换线编程缩短至10分钟以内，缺陷检出率99.95%，误报率下降50%以上。

人员结构也在变。资深技术员从画框调参的机械重复中解放，转向工艺标准优化和疑难不良分析。新人跟着AI辅助，一周即可独立完成基础编程。把人从重复里解放出来，让机器去做重复，让人去做判断。品质管控同步提升，统一检测规则消除了班组间的主观判定差异，元件直通率稳定在98.4%，AOI从产线的“拖油瓶”变成了质量防线的“守门人”。

这套方案正在长虹爱创全面铺开。冰箱变频、汽车电子PCBA已完成适配，后续覆盖全系列多规格板卡。检测数据对接MES系统，自动汇总不良高发点位，反向追溯根源工序。更长远是模型自学习——现场确认新不良类型后，AI自动更新样本库，无需频繁人工重建。

从编程到质检，人工智能正以最朴素的方式走进车间——不是在造无所不能的“超级大脑”，而是把每一个被重复劳动困住的工程师，拉回真正的工程现场。